K-近邻算法(KNN)原理
K Nearest Neighbor
算法又叫KNN
算法,这个算法是机器学习里面一个比较经典的算法,总体来说KNN
算法是相对比较容易理解的算法
定义
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
距离公式
两个样本的距离
- 曼哈顿距离(绝对值距离)
- 欧氏距离
- 明可夫斯基距离
K-近邻算法 API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
n_neighbors
:int
,可选(默认=5),k_neighbors
查询默认使用的邻居数。algorithm:{'auto','ball_tree','kd_tree','brute'}
,可选用于计算最近邻居的算法:'ball_tree'
将会使用BallTree
,'kd_tree'
将使用KDTree
。'auto'
将尝试根据传递给fit
方法的值来决定最合适的算法。(不同实现方式影响效率)
案例:鸢尾花种类预测
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
if __name__ == '__main__':
# 获取数据
iris = load_iris()
# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
# 特征工程:标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test) # 控制变量, 用同样的参数进行标准化
# KNN 算法预估器
estimator = KNeighborsClassifier(n_neighbors=3)
estimator.fit(x_train, y_train)
# 模型评估
# 方法一:直接对比真实值和预测值
y_predict = estimator.predict(x_test)
print('y_predict:\n', y_predict)
print('直接对比真实值和预测值:\n', y_test == y_predict)
# 方法二:计算准确率
score = estimator.score(x_test, y_test)
print('准确率:\n', score)
结果分析
- k 值取多大?有什么影响?
- k值取很小:容易受到异常点的影响
- k值取很大:受到样本均衡的问题
- 性能问题?
- 距离计算上面,时间复杂度高
K-近邻总结
- 优点:
- 简单,易于理解,易于实现,无需训
- 缺点:
- 懒情算法,对测试样本分类时的量大, 内存开销大
- 必须指定K值,K值选择不当则分类精度不能保证
- 使用场景:小数据场景,几千~几万样本,具体场景具体业务去测试